هر روز یک مقاله، شنبه ۲۴ مرداد ۱۴۰۵

عنوان: Predicting sperm retrieval success in salvage testicular sperm extraction: a machine learning perspective

خلاصه: در این مطالعه چند مرکزی به استفاده از مدل های یادگیری ماشین برای پیش بینی موفقیت بازیابی اسپرم در طی آزمایش خروج اسپرم از بیضه دوم (TESE ثانویه) در مردان مبتلا به آزواسپرمی غیرانسدادی که قبلاً یک بار TESE ناموفق داشته اند، پرداخته شده است. با توجه به اینکه TESE های تکراری تهاجمی، از نظر فنی دشوار و پیشبینی موفقیت آنها با قضاوت بالینی معمول دشوار است، هدف اصلی مطالعه ساخت ابزاری بالینی برای مشاوره فردی و تصمیم گیری جراحی در نظر گرفته شده بود.

این مطالعه شامل ۵۰۳ مرد نابارور بود که در فاصله سالهای ۲۰۲۱ تا ۲۰۲۴ در چندین مرکز تحت درمان قرار گرفتند. همه بیماران مبتلا به آزواسپرمی غیرانسدادی بودند و پس از یک تلاش ناموفق قبلی، دومین TESE را انجام دادند. از میان این افراد، بازیابی اسپرم در ۲۱۱ بیمار (۴۱/۹۵ موفق و در ۲۹۲ بیمار (۵۸/۰۵٪) ناموفق بود. محققان مجموعه ای گسترده از متغیرهای پیشاز عمل شامل دادههای بالینی، هورمونی، مایع منی، ژنتیکی، جراحی و یافتههای هیستوپاتولوژیک را برای پیش بینی موفقیت TESE ثانویه جمع آوری نمودند.

در این مطالعه پژوهش گران کارایی ۱۰ الگوریتم طبقه بندی یادگیری ماشین را مقایسه کردند. مجموعه داده به دو بخش ۸۰٪ آموزش و ۲۰٪ آزمون تقسیم شد و عملکرد مدلها با اعتبارسنجی five-fold-cross-validation ارزیابی گردید. شاخصهای دقت، حساسیت، ویژگی، ارزش اخباری مثبت و منفی، نمره F1، شاخص یودن و سطح زیر منحنی (AUC) محاسبه شد. همچنین برای تفسیرپذیری بهتر، از تحلیل SHAP برای شناسایی تأثیرگذارترین پیشبینی کننده ها استفاده شد.

نتایج نشان داد که طبقه بند XGBoost با دقتی در حدود ۹۰٪ و AUC در حدود ۰/۹۶ برترین عملکرد کلی را ثبت نمود. پیشبینی کننده های مهم شناسایی شده با SHAP عبارت بودند از BMI قبل از TESE ثانویه، محل انجام TESE، LH قبل از TESE ثانویه و حجم مایع منی، به همراه حجم بیضه و مدت ناباروری. از دیدگاه بالینی، موفقیت بازیابی اسپرم با BMI پایینتر، حجم مایع منی پایینتر، LH پایینتر و حجم بیضهای بزرگتر در هر دو طرف همراه بود؛ در حالی که عوامل نامطلوبی مانند سندرم کلاینفلتر، سندرم سلولهای سرتولی تنها، سابقه واریکوسلکتومی و برخی سوابق عفونی در موارد ناموفق بیشتر دیده میشد.

اهمیت این مطالعه قابل توجه است، زیرا نشان میدهد که مدلهای یادگیری ماشین ممکن است به پزشکان کمک کنند پیش از انجام TESE ثانویه، احتمال بازیابی اسپرم را برآورد کنند. این امر می تواند تعداد جراحی های تهاجمی غیرضروری را کاهش دهد.

https://www.nature.com/articles/s41443-026-01291-y